論文の概要: Flexible Log File Parsing using Hidden Markov Models

• arxiv url: http://arxiv.org/abs/2001.01216v1
• Date: Sun, 5 Jan 2020 11:44:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 07:33:30.805050
• Title: Flexible Log File Parsing using Hidden Markov Models
• Title（参考訳）: 隠れマルコフモデルを用いたフレキシブルログファイル解析
• Authors: Nadine Kuhnert, Andreas Maier
• Abstract要約: 我々は,ルールの処理と解析を学習し,適応する動的統計モデルを構築した。 学習パターンを歪ませる生ログファイルの変更により、高品質な出力を維持するために、モデルが自動的に適応することを目指している。 1つのシステムタイプでモデルをトレーニングした後、モデルと結果のパースルールをわずかに異なるログファイルパターンで異なるシステムに適用すると、精度は99%以上になる。
• 参考スコア（独自算出の注目度）: 10.502211724623171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We aim to model unknown file processing. As the content of log files often evolves over time, we established a dynamic statistical model which learns and adapts processing and parsing rules. First, we limit the amount of unstructured text by focusing only on those frequent patterns which lead to the desired output table similar to Vaarandi [10]. Second, we transform the found frequent patterns and the output stating the parsed table into a Hidden Markov Model (HMM). We use this HMM as a specific, however, flexible representation of a pattern for log file processing. With changes in the raw log file distorting learned patterns, we aim the model to adapt automatically in order to maintain high quality output. After training our model on one system type, applying the model and the resulting parsing rule to a different system with slightly different log file patterns, we achieve an accuracy over 99%.
• Abstract（参考訳）: 未知のファイル処理をモデル化することを目指している。 ログファイルの内容は時間とともに進化することが多いため、動的統計モデルを構築し、処理と解析の規則を学習し、適応する。 まず、vaarandi [10]に似た望ましい出力テーブルにつながる頻繁なパターンのみに注目して、構造化されていないテキストの量を制限する。 第二に、得られた頻繁なパターンと解析テーブルを記述した出力を隠れマルコフモデル(HMM)に変換する。 しかし我々はこのHMMを,ログファイル処理のパターンのフレキシブルな表現として用いている。 学習したパターンを歪ませる生のログファイルの変更により、高品質な出力を維持するためにモデルが自動的に適応することを目指している。 1つのシステムタイプでモデルをトレーニングした後、モデルと結果のパースルールをわずかに異なるログファイルパターンで異なるシステムに適用すると、精度は99%以上になる。

関連論文リスト

• A Comparative Study on Large Language Models for Log Parsing [3.3590922002216197]
  ログ解析を行うための最先端の大規模言語モデルの現状について検討する。 我々は2つの異なるプロンプトアプローチを設計し、16の異なるプロジェクトにわたる1,354のログテンプレートにLSMを適用する。 CodeLlamaはGPT-3.5よりも10%多くのログテンプレートを抽出しています。
  論文  参考訳（メタデータ） (2024-09-04T06:46:31Z)
• DistillSpec: Improving Speculative Decoding via Knowledge Distillation [70.61777015900272]
  投機的復号(SD)は、複数のトークンを生成するためにより高速なドラフトモデルを使用することで、大きな言語モデル推論を加速する。 本稿では,SDを適用する前に,知識蒸留を用いて,ドラフトモデルとターゲットモデルとの整合性を向上するDistillSpecを提案する。 DistillSpecは標準SDよりも10～45%のスピードアップを実現しています。
  論文  参考訳（メタデータ） (2023-10-12T16:21:04Z)
• Prompting for Automatic Log Template Extraction [6.299547112893045]
  DivLogは、大規模言語モデル(LLM)の非コンテキスト学習(ICL)能力に基づく効果的なログ解析フレームワークである。 プロンプト内の例のセマンティクスをマイニングすることで、DivLogはトレーニング不要な方法でターゲットログテンプレートを生成する。
  論文  参考訳（メタデータ） (2023-07-19T12:44:59Z)
• MGit: A Model Versioning and Management System [7.2678752235785735]
  MGitはモデルバージョニングと管理システムであり、モデルデリバティブの保存、テスト、更新、コラボレーションを容易にする。 MGitは、ライングラフのストレージフットプリントを最大7倍に削減し、アップストリームモデルの更新に応じて、ダウンストリームモデルを自動的に更新する。
  論文  参考訳（メタデータ） (2023-07-14T17:56:48Z)
• PAMI: partition input and aggregate outputs for model interpretation [69.42924964776766]
  本研究では、深層学習モデルが局所的な特徴を集約してモデル予測を行うという観察に基づいて、PAMIと呼ばれるシンプルで効果的な可視化フレームワークを提案する。 基本的な考え方は、入力の大多数を隠蔽し、元のモデル予測に対する保存された入力部の相対的な寄与として対応するモデル出力を使用することである。 複数のタスクに対する大規模な実験により,提案手法は,クラス固有の入力領域をより正確に見つけるために,既存の可視化手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-02-07T08:48:34Z)
• Low-Resource Task-Oriented Semantic Parsing via Intrinsic Modeling [65.51280121472146]
  私たちは本質的にオントロジーラベルについて知っているものを利用して、効率的なセマンティック解析モデルを構築します。 我々のモデルはTOPv2から派生した低リソースのベンチマークを用いて高効率である。
  論文  参考訳（メタデータ） (2021-04-15T04:01:02Z)
• On Automatic Parsing of Log Records [0.0]
  繰り返しニューラルネットワークベースのMTモデルをトレーニングするために使用した合成Apacheログレコードを生成するツールを作成します。 実世界のログに対するモデルの評価は、モデルがApacheログフォーマットを学び、個々のログレコードを解析できることを示しています。
  論文  参考訳（メタデータ） (2021-02-12T00:27:41Z)
• Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
  この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。 本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。 以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
  論文  参考訳（メタデータ） (2020-07-13T05:27:48Z)
• Self-Supervised Log Parsing [59.04636530383049]
  大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。 既存のアプローチは、ログ特化や手動ルール抽出に依存している。 本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
  論文  参考訳（メタデータ） (2020-03-17T19:25:25Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。